第１３卷第３３期２０１３年１１月 科学技术与工程 Ｖｏ１．１３ Ｎｏ．３３ ＮＯＶ．２０１３ １６７１—１８１５（２０１３）３３—１００１７—０４ Ｓｃｉｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ ⑥２０１３ Ｓｃｉ．Ｔｅｃｈ．Ｅｎｇｒｆ 基于纹理特征的高分辨率影像城郊居民区 提取方法研究 许锐 （福建工程学院信息科学与工程学院，福州３５０１０８） 摘要高空间分辨率遥感数据由于存在大量同物异谱和异物同谱现象。传统的方法难以对城郊的居民区取得满意的提取 效果。在高空间分辨率遥感影像对象提取研究中引入子图表示方法，通过综合Ｃｏｎｔｏｕｒｌｅｔ变换的多尺度、多方向分解能力，以 及灰度共生矩阵的统计能力，实现纹理特征的合理表达，较好地描述遥感影像对象的纹理特征。利用多核学习，得到反应各 特征区分能力的特征权值。实验以ＱｎｉｃｋＢｉｒｄ影像为数据样本，实验结果表明提出算法有效地实现城郊居民区提取。 关键词遥感影像 纹理特征 Ｃｏｎｔｏｕｒｌｅｔ变换 文献标志码Ａ 灰度共生矩阵 中图法分类号ＴＰ３９１．４１； 从高分辨率遥感影像中准确提取居民区已成 为当前城市规划及城市建设亟需解决的重点问题 之一。作为重要的可视化特征，纹理被广泛应用于 高分辨率遥感影像信息提取研究。越来越多的研 究人员为了定量地描述对象的纹理信息，建立了许 多不同类型的纹理分析方法，提出了多种利用纹理 法；而统计法与信号处理法成为目前提取和分析遥 感影像纹理特征的主流方法。本文使用分块检测 方法，该方法算法简便且能较好地描述遥感影像对 象的特征；通过引入Ｃｏｎｔｏｕｒｌｅｔ变换，对高分辨率遥 感影像进行不同尺度和方向分解从而获取影像中 的深层次特征信息，并融合灰度共生矩阵方法，实 现了纹理特征的合理表达；最后通过实验证明了提 特征改善影像分类的新方法。Ｈｉｌｌ等人¨ 通过融合 纹理特征与形态学梯度特征，取得了较好影像分类 效果。Ｃｌａｕｓｉ等人 利用Ｇａｂｏｒ小波和共生矩阵来 描述遥感影像纹理特征，提出综合多特征能够更有 效描述影像的纹理特征。 黄昕等人ｌ３ 通过对纹理特征进行自适应加权， 改善影像的分类精度。叶志伟等人 提出了一种 产生“Ｔｕｎｅｄ”模板的混沌粒子群方法，该方法对影 出与实现的方法合理有效。 １高分辨影像纹理提取与表达 １．１ Ｃｏｎｔｏｕｒｌｅｔ变换 Ｃｏｎｔｏｕｒｌｅｔ变换 （中文文献中也译为“轮廓波 变换”）是一种从多尺度、多方向捕获图像固有几何 结构信息的图像表示方法，满足各向异性尺度关 系；其良好的方向性在表达图像边缘轮廓和纹理特 征等方面具有独到的优势，有效地克服了小波变换 只能在有限方向上表达图像边缘信息的局限性 。 自从２００２年Ｄ０提出Ｃｏｎｔｏｕｒｌｅｔ变换之后，因其实现 像的纹理特征具有较满意的分类效果。这些方法 都已取得了较好的效果，然而针对影像信息提取及 分类的研究工作并未完善，值得进一步研究。 Ｔｕｃｅｒｙａｎ和Ｊａｉｎ＿５ 把描述和提取纹理特征的方 法分为四类：统计法、几何法、模型法和信号处理 ２０１３年７月９日收到 国家自然科学基金资助项目（４０８７１２０６）、 方法简单和方向信息表达能力卓越而倍受关注，各 种改进不断涌现，形成一个庞大的Ｃｏｎｔｏｕｒｌｅｔ变换方 法内容体系 Ｊ。 福建省教育厅科技研究资助项目（ＪＡ１３２２０，ＪＢ１１１１６）资助 Ｃｏｎｔｏｕｒｌｅｔ变换由拉普拉斯金字塔（１ａｐｌａｃｉａｎ ｐｙｒａｍｉｄ，ＬＰ）和方向滤波器组滤波（ｄｉｒｅｃｔｉｏｎａｌ ｆｉｌｔｅｒ ｂａｎｋ，ＤＦＢ）结合而来，是一种双重迭代滤波器组结 作者简介：许锐（１９７８～），男，讲师，博士研究生。研究方向：遥感 影像处理。Ｅ－ｍａｉｌ：ｄｒ．ｘｕｒａｉ＠１２６．ｔｏｍ。 科学技术与工程 ｌ３卷 图１ Ｃｏｎｔｏｕｒｌｅｔ变换滤波器组结构图 Ｃｏｎｔｏｕｒｌｅｔ变换可由离散域扩展为平方可积空 间 （尺 ）中的连续函数，将整个空问分解为多尺 度、多方向的子空问序列［】 ： ２ ２ （ ）＝ｖ０①［ （ ① ）］ （１，≤ ） ０ ＝Ｕ 式（１）中，①表示正交和运算，子空间 是最低尺 度上的逼近分量，由尺度函数正交基的缩放和平移 构成， 表示平衡不变 方向子空问。若 ， ，ｚ分 别表示尺度、方向和位置参数，则Ｃｏｎｔｏｕｒｌｅｔ函数 ｐ （￡）可以表示为 （ ）＝∑ｇ２，”Ｅ ｚ，２ （ —ｓ２ｎ） ， （ ） （２） 式（２）中，ｇ２表示低通分析滤波器， 是定义在尺 中的框架，ｓ２是过采样矩阵，具有式（３）的两种形 式，ｋ决定ＤＦＢ分析的方向。 Ｌｓ ）：ｆｄｉａｇ（２卜 ，２），０≤ ＜２ （３） ｔｄｉａｇ（２，２Ｈ），２ 一 ≤ｋ＜２ 一 １．２灰度共生矩阵 灰度共生矩阵（ｇｒａｙ ｌｅｖｅｌ ＣＯ—ｏｃｃｕｒｒｅｎｃｅ ｍａｔｒｉｘ， ＧＬＣＭ）是描述在０方向上，相隔 ＝（Ｄ ，Ｄ ）像元距 离的一对像元，分别具有灰度值ｉ和 的出现概率， 其元素可标记为Ｐ（ｉ，．『Ｉ ６，０），当０和６选定的时候， 也可以简记为Ｐ（ｉ， ），其中ｉ√＝０，１，２，…，Ｌ一１，Ｌ 是灰度级的数目，０为０。、４５。、９０。、１３５。４个方向。 灰度共生矩阵是一个对称矩阵，其阶数由图像中的 灰度级个数决定。灰度共生矩阵的各元素值由公 式（４）求得。 Ｐ（ｉ ，ｊ ｌ ． ）：— 一（４） 厶厶 ＼ ， 。 ，”／ １．３纹理特征表达 基于Ｃｏｎｔｏｕｒｌｅｔ变换纹理特征提取过程中，将目 标遥感影像库中的遥感影像子图（４０×４０）进行三 层Ｃｏｎｔｏｕｒｌｅｔ分解，分别用４、８、１６方向滤波。由于 低频子带能够体现影像整体的基本特征信息，以低 频子带系数幅度序列的均值和标准方差作为影像 的纹理特征，构成特征纹理特征矢量． ；高频子带主 要刻画出遥感影像的各个方向和尺度上的细节信 息，选取高频子带的梯度能量… 和方差作为特征。 式（５）与式（６）分别是子带梯度能量与方差的计算 公式。由于影像不同子带获得的特征分类能力是 不同的，使用文献［１２］方法进行加权，体现不同子 带特征的分类能力差异，并构建高频子带能量矢量 以及高频子带方差矢量 。 ， ～ ）＝ ｛『 ｙ） ）］ ＋ ［ （ ， ）一 （ ，Ｙ一１）］ ｝ （５） √ ［ （ ） ］ （６） 式中，ｉ为尺度数， 为方向， 为该子带的系数 均值。 在ＧＬＭＣ纹理特征提取过程中，将图像的灰度 级规定化为１６级，为了减少计算量，选用惯性矩、 熵、能量、相关这四个代表性特征，并以此构建纹理 特征矢量．厂４作为输入影像的ＧＬＭＣ纹理特征。 ２基于ＳＶＭ的相关反馈算法 支持向量机（ｓｕｐｐｏ￣ｖｅｃｔｏｒ ｍａｃｈｉｎｅ，ＳＶＭ）是建 立在统计学习理论的ＶＣ维理论和结构风险最小原 理基础上的，根据有限样本信息在模型复杂性（即 对特定训练样本的学习精度）和学习能力（即无错 误地识别任意样本的能力）之间寻求折衷、以求获 得最好的推广能力 。该方法中，核函数的选择及 参数优化是重点。常见的核函数有：多项式核函 数、高斯核函数、Ｓｉｇｍｏｉｄ核函数。 （１）多项式核函数： （ ，Ｙ）＝［（ ・Ｙ）＋Ｃ］ （７） ３３ 许锐：坫于纹理特征的高分辨率影像城郊肼民 提取方法研究 １００１９ （２）高斯核函数： ｋ（ｘ，ｙ）…ｐ（一 （３）Ｓｉｇｍｏｉｄ核函数： ） （８） （９） （Ｘ，Ｙ）＝ｌａｎｈ［ （ －Ｙ）］＋ｃ 如下： 支持向量机的相关反馈算法具体操作步骤 （１）利用１．３节构建的特征矢量，对子图库中 子 进行初步分类，并对相关性进行标注，得到正 例图像集合，＋和反例图像集合，一，训练样本集中每 一图３本文算法提取结果 幅子图的纹理特征。 络分类法对城郊区域居民区进行分类识别，并与本 文算法提取的结果进行比较分析，分类识别的结果 见图４和图５。 （２）使用文献［１３］多核学习的方法完成ＳＶＭ 分类器的学习，并得到ＳＶＭ判别分类器 ）＝ｓｇｎ［∑ａｉｙｊＫ （ ， ）＋６］ 一（１０） （３）对图像库中的每幅子图， 求ＳＣＯＲＥ（， ）＝ ／ ）。 （４）对每一副子图进行测试： （１ｉ ｌ∈』建筑物， ｓｃ０ＲＥ ）≤ ∈｛ ｉ（１１）ｌ ｌ ｌ Ｊ 【非建筑物，ＳＣＯＲＥ（Ｉｉ）＞Ｋ ３实验结果分析 实验选用我国某城市的Ｑｕｉｃｋｂｉｒｄ多光谱影像。 图４ 大似然法分类 从影像中裁剪出８００×８００的城郊区域作为测试对 象，如图２。采用均匀分解策略，将裁剪出来区域分 解为４０×４０大小的子图像，综合灰度共生矩阵和 Ｃｏｎｔｏｕｒｌｅｔ变换提取每个子图样本的纹理特征，选取 其中２００幅居民区子图做训练。实验影像居民区提 取结果见图３。 图５神经网络分类 从实验结果上看，最大似然法分类和神经网络 分类＿Ｔ具对城郊居民区识别效果欠佳，出现较多混 分区域和错分区域。本文所使用的算法以子图作 为研究对象，虽然这样在某种程度上破坏了影像的 完整性，但该策略能够较好地描述遥感影像对象的 图２原始影像 特征；综合灰度共生矩阵和Ｃｏｎｔｏｕｒｌｅｔ变换能够较好 表示影像纹理特征，并利用ＳＶＭ分类器提高算法的 选用目前流行的最大似然法分类法和神经网 １００２０ 科学技术与工程 １３卷 分类能力。 ４叶志伟，周欣，郑肇葆，等．产生“Ｔｕｎｅｄ”模板的混沌粒子群算 法．武汉大学学报：信息科学版，２０１３；３８（１）：１０—１４ ４结束语 以子图为研究对象，较好地描述遥感影像对象 的特征；通过综合Ｃｏｎｔｏｕｒｌｅｔ变换的多尺度多方向分 解能力以及灰度共生矩阵的统计能力，实现纹理特 ５ Ｔｕｃｅｒｙａｎ Ｍ，Ｊａｉｎ Ａ Ｋ．Ｈａｎｄｂｏｏｋ ｏｆ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ， Ｃｈａｐｔｅｒ ２：Ｓｃｉｅｎｔｉｉｃ，１９９３ ｆｔｅｘｔｕｒｅ ａｎａｌｙｓｉｓ． Ｓｉｎｇａｐｏｒｅ： Ｗｏｒｌｄ ６ Ｄｏ Ｍ Ｎ，Ｖｅｔｔｅｒｌｉ Ｍ．Ｔｈｅ ｃｏｎｔｏｕｒｌｅｔ ｔｒａｎｓｆｏｒｍ：ａｎ ｅｆｉｃｉｅｎｔｆ ｄｉｒｅｃｔｉｏｎ． ａｌ ｍｕｈｉｒｅｓｏｌｕｔｉｏｎ ｉｍａｇｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ 征的合理表达；利用多核学习，得到了能够正确反 应各个特征的区分能力的特征权值。实验结果表 明，本文提出与实现的算法对居民区有较好的提取 Ｐｒｏｃｅｓｓｉｎｇ，２００５；１４（１２）：２０９１—２１Ｏ６ ７程起敏，杨崇俊，邵振峰．基于多进制小波变换的渐进式纹理图 像检索．武汉大学学报：信息科学版，２００５；３０（５）：４２１－５２４ ８ Ｒｉｖｅｒａ Ｍ，Ｏｃｅｇｕｅｄａ Ｏ，Ｍａｒｏｑｕｉｒｎ Ｊ Ｌ．Ｅｎｔｒｏｐｙ—ｃｏｎｔｒｏｌｌｅｄ ｑｕａｄｒａｔｉｃ－ ｍａｒｋｏｖ ｍｅａｓｕｒｅ ｆｉｅｌｄ ｍｏｄｅｌｓ ｆｏｒ ｅｆｉｃｉｆｅｎｔ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ．ＩＥＥＥ 效果。但是，使用子图作为研究对象，造成检测结 果呈锯齿状，无法精确识别待检测区域的边缘。因 Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２００７；１６（１２）：３０４７－－３０５７ 此，该方法较适合于高分辨率遥感影像特定场景的 粗提取 参考文献 ９闫敬文，屈小波．超小波分析及应用．北京：国防工业出版社，２００８ １０ Ｄｏ Ｍ Ｎ，Ｖｅｔｔｅｒｌ Ｍ．Ｔｈｅ ｃｏｎｔｏｕｒｌｅｔ ｔｒａｎｓｆｏｒｍ：ａｎ ｅｆｉｃｉｆｅｎｔ ｄｉｒｅｃｔｉｏｎａｌ ｍｕｈｉｒｅｓｏｌｕｔｉｏｎ ｉｍａｇｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ．ＩＥＥＥ Ｔｒａｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓ－ ｉｎｇ，２００５；１４（１２）：２０９１—２ｌＯ６ ｌ１ 罗忠亮．虹膜生物特征的提取与识别．广州：华南理工大 １ Ｈｉｌｌ Ｐ Ｒ，Ｃａｎａｇａｒａｊａｈ Ｃ Ｎ，Ｂｕｌｌ Ｄ Ｒ．Ｔｅｘｔｕｒｅ ｇｒａｄｉｅｎｔ ｂａｓｅｄ ｗａｔｅｒ－ ｓｈｅｄ ｓｅｇｍｅｎｔａｔｉｏｎ．ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ， ＳＰｅｅｃｈ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２００２，ＩＶ：３３８１—＿３３８４ ２ Ｃｌａｕｓｉ Ｄ Ａ，Ｄｅｎｇ Ｈ．Ｄｅｓｉｇｎ—ｂａｓｅｄ ｔｅｘｔｕｒｅ ｆｅａｔｕｒｅ ｆｕｓｉｏｎ ｕｓｉｎｇ ｇａｂｏｒ ｆｉｌｔｅｒｓ ａｎｄ Ｃｏ—ｏｃｃｕｒｒｅｎｃｅ ｐｒｏｂａｂｉｌｉｔｉｅｓ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ １３ 学，２０１０ １２ Ｖａｐｎｉｋ Ｖ Ｎ．Ｔｈｅ ｎａｔｕｒｅ ｏｆ ｓｔａｔｉｓｔｉｃａｌ ｌｅａｒｎｉｎｇ ｔｈｅｏｒｙ．Ｎｅｗ Ｙｏｒｋ： Ｓｐｒｉｎｇｅｒ Ｖｅｒｌａｇ，１９９５ Ｌａｎｃｋｒｉｅｔ Ｇ，Ｃｒｉｓｔｉａｎｉｎｉ Ｎ，Ｂａｈｌｅｔｔ Ｐ，ｅｔ ａ１．Ｌｅａｒｎｉｎｇ ｔｈｅ ｋｅｒｎｅｌ ｍａｔｒｉｘ ｗｉｔｈ ｓｅｍｉ－ｄｅｆｉｎｉｔｅ ｐｒｏｇｒａｍｍｉｎｇ．Ｊｏｕｒｎａｌ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｐｒｏｃｅｓｓｉｎｇ，Ｊｕｌ，２００５；１４（７）：９２５－－９３６ Ｒｅｓｅａｒｃｈ，２００４；５（１）：２７—７２ ３ 黄昕，张良培，李平湘．基于小波的高分辨率遥感影像纹理分 类方法研究．武汉大学学报：信息科学版，２００６；３１（１）：６６—６９ Ｔｈｅ Ｒｅｓｅａｒｃｈ ｏｎ Ｓｕｂｕｒｂ Ｒｅｓｉｄｅｎｔｉａｌ Ａｒｅａｓ Ｅｘｔｒａｃｔｉｏｎ ｏｆ Ｈｉｇｈ Ｓｐａｔｉａｌ Ｒｅｓｏｌｕｔｉｏｎ Ｒｅｍｏｔｅｌｙ Ｓｅｎｓｅｄ Ｉｍａｇｅｒｙ Ｂａｓｅｄ ｏｎ Ｔｅｘｔｕｒｅ Ｆｅａｔｕｒｅｓ ＸＵ ＲＵｉ （Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｆｕｊｉａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｆｕｚｈｏｕ ３５０１０８，Ｐ．Ｒ．Ｃｈｉｎａ） ［Ａｂｓｔｒａｃｔ］Ｔｒａｄｉｔｉｏｎａｌ ｅｘｔｒａｃｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ ｏｆ ｒｅｓｉｄｅｎｔｉａｌ ａｒｅａｓ ｅｘｔｒａｃｔｉｏｎ ｉｎ ｓｕｂｕｒｂ ｅｎｖｉｒｏｎｍｅｎｔ ｄｏ ｎｏｔ ｇｉｖｅ ｔｈｅ ｄｅｓｉｒｅｄ ｒｅｓｕｌｔ ｄｕｅ ｔｏ ｌａｒｇｅ ｗｉｔｈｉｎ－－ｃｌａｓｓ ｓｐｅｃｔｒａｌ ｖａｒｉａｔｉｏｎｓ ａｎｄ ｂｅｔｗｅｅｎ－－ｃｌａｓｓ ｓｐｅｃｔｒａｌ ｃｏｎｆｕｓｉｏｎｓ ｔｈａｔ ｃｈａｒａｃｔｅｒｉｚｅ ｔｈｅ ｈｉｇｈ ｓｐａｔｉａｌ ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ｄａｔａ．Ｔｈｅ Ｓｕｂｇｒａｐｈ Ｍｅｔｈｏｄ ｗａｓ ｉｎｔｒｏｄｕｃｅｄ ｆｏｒ ｏｂｊｅｃｔｓ ｅｘｔｒａｃｔｉｏｎ ｆｒｏｍ ｈｉｇｈ ｓｐａｔｉａｌ ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ｉｍａｇｅｒｙ．Ｒｅａｓｏｎａｂｌｅ ｅｘｐｒｅｓｓｉｏｎ ｏｆ ｔｅｘｔｕｒｅ ｆｅａｔｕｒｅｓ ｗａｓ ａｃｈｉｅｖｅｄ ｂｙ ｉｎｔｅｇｒａｔｉｎｇ ｔｈｅ ｍｕｌｔｉ—ｓｃａｌｅ ｍｕｌｔｉ—ｄｉｒｅｃｔｉｏｎａｌ ｃａｐａｂｉｌｉｔｉｅｓ ｏｆ Ｃｏｎｔｏｕｒｌｅｔ ｔｒａｎｓｆｏｒｍ ａｎｄ ｔｈｅ ｓｔａｔｉｓｔｉｃａｌ ｃａｐａｃｉｔｙ ｏｆ ＧＬＣＭ，ｗｈｉｃｈ ｃａｎ ｃｏｒｒｅｃｔｌｙ ｄｅｓｃｒｉｂｅ ｔｈｅ ｆｅａｔｕｒｅｓ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ｏｂｊｅｃｔｓ．Ｗｅｉｇｈｔｓ ｔｏ ｓｈｏｗ ｄｉｓｔｉｎｇｕｉｓｈｉｎｇ ａｂｉｌｉｔｙ ｏｆ ｅａｃｈ ｌｅａ． ｔｕｒｅ ｗａｓ ｃａｌｃｕｌａｔｅｄ ｂｙ ｔｈｅ Ｍｕｌｔｉｐｌｅ ｋｅｒｎｅｌ ｌｅａｒｎｉｎｇ（ＭＫＬ）ｍｅｔｈｏｄｓ．Ａ ｃａｓｅ ｓｔｕｄｙ ｔａｋｉｎｇ ＱｕｃｉｋＢｉｒｄ ｉｍａｇｅｒｙ ａｓ ｓａｍｐｌｅ ｄａｔａ，ｐｒｏｖｅｓ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ｉｎｎｏｖａｔｉｖｅ ｍｅｔｈｏｄ ａｄｏｐｔｅｄ ｉｎ ｔｈｉｓ ｒｅｓｅａｒｃｈ． ［Ｋｅｙ ｗｏｒｄｓ］ ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ｉｍａｇｅｒｙ ｍａｔｒｉｘ ｔｅｘｔｕｒｅ ｆｅａｔｕｒｅｓ ｃｏｎｔｏｕｒｌｅｔ ｔｒａｎｓｆｏｒｍ ｇｒａｙ ｌｅｖｅｌ ＣＯ—ｏｃｃｕｒｒｅｎｃｅ